前阵子帮一个客户看方案，对方张口就问：你们这套预测性维护用的是什么算法？我说是基于振动特征的时频分析加一个轻量分类器，对方听完眉头一皱，说那能不能直接换深度学习，别人家都在用。我当时就乐了。算法这东西，选对了是解药，选错了是累赘，跟厂里设备condition到底什么样关系大得很，跟同行在卷什么关系小得很。

一、先把三类算法摆明白

市面上被提起最多的无非这么几类，我按从轻到重排一下。

第一类是阈值类的，说白了就是定个上下限，超了就报警。温度超八十五度告警、振动有效值超过2.8mm/s告警。这类最简单，也最老牌，很多企业最早上的就是它。它的毛病也 obvious：定高了漏报，定低压了天天误报，运维师傅慢慢就把报警当背景音了。

第二类是时频域特征类的。振动信号是时域的，但故障发生在频域，所以要把信号做FFT换成频谱，看哪个特征频率上的能量涨了。轴承内圈故障有内圈特征频率，外圈有外圈特征频率，滚动体有滚动体频率，频率算得出来，能量一对比，就能判断大概是哪个部件在出问题。再往上还有包络谱、倒谱、阶次分析，专门对付调制现象和变速工况。这一类我管它叫"老师傅的数字化版本"，因为它判断的逻辑跟你有经验的老维修工是一样的。

第三类是数据驱动的，机器学习、深度学习。主要干两件事：一是从海量传感器数据里自己学特征，二是做寿命预测回归。它厉害的地方在于能处理非线性、多故障耦合的场合，比如齿轮箱同时磨损、不对中、松动，传统特征方法容易糊成一团，模型能拆开。

二、选型其实是个匹配问题

那到底该怎么选？我自己的判断标准是三条。

第一，看你能拿到什么数据。很多厂子上方案时假设自己有高频振动数据，结果现场装的只是老式温度开关和电流互感器，采样率根本不够，怎么办频域分析？这种情况就别硬上，先用电流特征、温度趋势、工艺参数做低成本的统计诊断，等传感器换上再升级算法。

第二，看设备失效模式的特征是否明显。风机、泵、压缩机这类旋转机械，振动特征频率清晰，时频域方法立竿见影。而一些以磨损、腐蚀、电气老化为主的静态设备，振动根本不是主因，得上油液分析、绝缘诊断、红外测温这些专用手段，算法不解决问题。

第三，看你们团队有没有人能读懂结果。这个最容易被忽略。一个再准的模型，输出的是概率值和特征曲线，如果一线没人看得懂、也没权限调整策略，那它就只是个漂亮的大屏。我宁愿选一个能被工程师手调参数的中等水平方案，也不要一个黑箱深度学习。

三、一个真实的踩坑故事

有家做橡塑的企业，一开始信心满满，买了个深度学习平台，声称只要喂数据就能自动报故障。结果上线三个月，误报一堆，最后被车间主任直接把账号停了。后来我去现场，看了他们的历史数据——只有温度中控系统的存档记录，一分钟一个点，样本量还断断续续。拿这种数据训模型，能出结果才怪。

后来我们换个思路，先上振动传感器，采一段真实数据看看时域波形长什么样，再决定用什么特征。两周之后发现其中的挤出机减速机齿轮已经有明显的啮合频率边带了，这是典型的早期点蚀特征。这时候上一个简单的谱分析加趋势判断，准确率就够用了，成本还低了一大截。他们现在那套还在使用，深度学习平台闲置着，反倒成了参观时讲的"未来规划"。

四、我的建议

如果让我给个排序：先用阈值把报警通道跑通，同时采数据；确认数据质量可行后上时频域特征加上简单的统计学习；只有在这两步积累出足够多的问题样本、而且工况复杂到传统方法分辨不出来时，再考虑深度学习。这条路慢一点，但每一步都踩得实。

说到底，预测性维护算法选型不是选最酷的那个，是选最配得上你家设备状态的那个。设备上得去，算法才跑得动。